Matriz de auto correlação de média móvel

Suponha que você tem N série de xts de série. Pode sugerir uma maneira, por exemplo, uma função existente para calcular a rolar média de correlação rolante janela em movimento. So você tem, por exemplo, 10 séries de tempo Primeiro passo é calcular 60 dias correlação entre primeiro e segundo, primeiro E terceiro, primeiro e quarto, e assim por diante Segundo passo é calcular a média para esse valor de correlação. End do primeiro ciclo. After você avançar de um dia e começar todo o processo primeiro e segundo step. The resultados é uma série de tempo com o Média valores de correlação. Alguém pode ajudar a encontrar uma maneira eficiente de fazer isso. Esta é a estrutura dos meus dados. Suponha que você tem todas as séries no quadro de dados chamado X, nas primeiras dez variáveis ​​Then. If você don t tê-los em um arquivo de dados Frame, então eu acho que a maneira mais fácil é primeiro para fazer um quadro de dados - desde que suas séries de tempo são todos do mesmo comprimento. Para excluir diagonal 1 s da matriz de correlação você pode primeiro definir uma função que calcula a média de todos os valores abaixo diagonal Ou acima do diag, doens t fazem a diferença. Não testado, mas eu acho que shoudlwork. Much de minha pesquisa se concentra nas relações dinâmicas entre os ativos no mercado 1, 2, 3 Normalmente, eu uso a correlação como uma medida de dependência de relacionamento, pois seus resultados são fáceis de comunicar e entender, A informação mútua que é um pouco menos usada em finanças do que é na teoria da informação. No entanto, a análise da dinâmica de correlação exigem-nos para calcular uma correlação móvel aka janelas, arrasto ou rolling. Moving médias são bem compreendidos e facilmente calculado eles levam em conta Um ativo de cada vez e produzir um valor para cada período de tempo Movendo correlações, ao contrário de médias móveis, deve levar em conta vários ativos e produzir uma matriz de valores para cada período de tempo No caso mais simples, nós nos preocupamos com a correlação entre dois ativos para Exemplo, o SP 500 SPY eo setor financeiro XLF Neste caso, precisamos apenas prestar atenção a um valor na matriz No entanto, se fôssemos a um Dd o setor de energia XLE, torna-se mais difícil calcular eficientemente e representar estas correlações Isto é sempre verdadeiro para 3 ou mais ativos diferentes. Eu escrevi o código abaixo para simplificar este download de processo Primeiro, você fornece uma matrix dataMatrix com variáveis ​​no Por exemplo, SPY na coluna 1, XLF na coluna 2 e XLE na coluna 3 Em segundo lugar, você fornece um tamanho de janela windowSize Por exemplo, se dataMatrix contiver minuciosamente retorna, então um tamanho de janela de 60 produziria estimativas de correlação horária arrasta Terceiro, Você indica qual coluna indexColumn você se preocupa em ver os resultados para No nosso exemplo, nós provavelmente especificar a coluna 1, uma vez que isso nos permitiria observar a correlação entre o SP eo setor financeiro e 2 SP e setor de energia. A imagem abaixo Mostra os resultados exatamente para o exemplo acima para a última sexta-feira, 1 de outubro de 2018.2 Respostas ao cálculo da correlação de movimento em Matlab. it não está claro como você lida com NA. How would Você calcula as correlações para índices em diferentes países onde um ponto de dados pode estar ausente devido a um feriado particular em um único país. O código como eu ve postado não lidar com NaNs graciosamente Você pode ver a partir desta página de documentação Matlab que você Pode adicionar linhas, completas ao comando do corrcoef para lidar graciosamente com o problema. As outras alternativas são deixar cair completamente essa data, interpolar ou usar um método mais sofisticado para lidar com observações ausentes. Deixe uma resposta Cancelar resposta.8 4 Moving average Em vez de usar valores passados ​​da variável de previsão em uma regressão, um modelo de média móvel usa erros de previsão passados ​​em um modelo de regressão. Yc et theta e teta e dots teta e. where et is white noise Nós nos referimos a isso como um modelo de MA q Claro, nós não observamos os valores de et, então não é realmente regressão no sentido usual. Notice que cada O valor de yt pode ser pensado como uma média móvel ponderada dos últimos erros de previsão Contudo, os modelos de média móvel não devem ser confundidos com a suavização média móvel que discutimos no Capítulo 6 Um modelo de média móvel é usado para prever valores futuros enquanto o alinhamento médio móvel É usado para estimar o ciclo de tendência de valores passados. Figura 8 6 Dois exemplos de dados de modelos de média móvel com diferentes parâmetros MA1 esquerdo com yt 20 et 0 8e t-1 MA 2 direito com ytet - e t-1 0 8e A Figura 8 6 mostra alguns dados de um modelo MA 1 e um modelo MA 2 Alterando os parâmetros theta1, dots, thetaq resulta em diferentes padrões de séries temporais Como nos modelos autorregressivos, a variância O termo de erro e só mudará a escala da série, não os padrões. É possível escrever qualquer modelo AR p estático como um modelo infundado MA Por exemplo, usando substituição repetida, podemos demonstrar isso para um modelo AR 1. Começam phi1y e phi1 phi1 e e phi1 2y phi1 e et phi1 3y phi1 2e phi1 e texto end. Provided -1 phi1 1, o valor de phi1 k vai ficar menor como k fica maior Portanto, eventualmente, obter. Yt et phi1 e phi1 2 e phi1 3 e cdots. an MA processo infty. O resultado inverso se mantém se impomos algumas restrições sobre os parâmetros MA Então, o modelo MA é chamado invertible Ou seja, que podemos escrever qualquer processo MA invertible como Um AR infty process. Invertible modelos não são apenas para permitir-nos a converter de MA modelos para modelos AR Eles também têm algumas propriedades matemáticas que torná-los mais fáceis de usar na prática. As restrições de invertibilidade são semelhantes às restrições stationarity. For um MA 1 Modelo -1 theta1 1.Para um modelo de MA 2 -1 theta2 1, theta2 theta1 -1, theta1 - theta2 1. Condições mais complicadas mantêm para q ge3 Novamente, R irá cuidar dessas restrições ao estimar os modelos.